报告名称：基于结构感知学习的高光谱图像分类

主办单位：英国立博官网中文版

报告专家：李伟

专家所在单位：北京理工大学

报告时间：2020年7月17日周五14: 30—16:30

报告地点：腾讯会议737 507 496

专家简介：李伟，北京理工大学信息与电子学院教授，博士生导师，国家优秀青年科学基金获得者，入选北京市科技新星计划。于2007年获西安电子科技大学学士学位，2009年获中山大学硕士学位，2012年获美国密西西比州立大学博士学位，之后在加州大学戴维斯分校完成博士后研究，2013年5月至2019年2月工作于北京化工大学。主要从事高光谱图像处理、目标检测与识别等方法研究，相关技术在遥感观测和医学诊断等领域得到推广应用。以第一/通讯作者在IEEE TGRS、IEEE TIP、IEEE TCYB等期刊发表论文60余篇，谷歌学术引用5000余次，ESI高被引论文14篇。目前担任IEEE JSTARS、IEEE SPL编委(Associate Editor)，IEEE TGRS领域编委(Topical Associate Editor)，和第11届IEEE CISP-BMEI国际会议大会主席，获IEEE TGRS、IEEE JSTARS最佳审稿人奖，IEEE Whispers 2019、IEEE ICSIDP 2019杰出论文奖等奖励。

报告摘要：高光谱图像分类是遥感图像处理和解译中的关键技术，因此，诸多高光谱图像分类算法被提出。本次报告关注在分类过程中易被忽略的样本分布问题，如类内差异性和类间相似性，这些问题给分类器设计带来挑战。报告以表示分类模型和回归分类模型为例，探讨了在复杂样本分布情况下的如何设计更优的分类器。针对现有基于表示的分类器在计算表示系数时没有显式地利用训练样本的类标签信息，提出了一种正则化的结构感知协同表示方法(SaCRT)，估计出更具鉴别性的表示系数；同时设计了一个类间行稀疏结构，以保持类内像素更加紧凑与类间像素更加分离的关系，从而提高类的可分离性。此外，针对传统回归分类算法由样本内在结构问题（类内差异性）导致过拟合问题，提出了基于类标签回归的判别边缘最小二乘回归(DMLSR)，利用带有类内紧度图的流形正则项来避免过拟合，获得近似最优的分类边界。

邀请人：彭江涛